最近 AI 在遊戲研發裡很常被拿來討論，從美術概念、程式輔助、數學測試到合規文件，好像什麼都可以讓 AI 幫忙做。這篇不是要寫最近當紅的使用 AI 產生內容，而是想討論一個比較偏遊戲體驗的主題：如果我們已經知道 Near Miss、LDW、損失感受、聲光回饋會影響玩家對老虎機的感受，那 AI 玩家模型能不能用來檢查一款遊戲的心理節奏？
這裡說的 AI 玩家模型，不是指 AI 真的讀懂玩家內心，而是用 player modeling 的方法，把玩家的行為、遊戲事件、近期輸贏、Feature 等待時間、聲光回饋密度等資訊放在一起，建立一個可以被測試的玩家反應假設。換句話說，這不是「AI 告訴我們玩家一定會怎麼想」。比較合理的說法是：AI 可以幫設計師更早發現某些心理風險區間，讓設計師回頭檢查這些節奏是不是合理。
這篇文章的基礎主要來自三條研究脈絡。
第一條是 Daniel Kahneman 與 Amos Tversky 的 Prospect Theory。
他們在 1979 年提出，人做風險決策時，不是單純用最終資產高低來判斷，而是會把結果放在某個參考點附近，感受「獲得」或「損失」。Kahneman 後來也因為把心理學帶進不確定情境下的經濟決策研究，獲得 2002 年諾貝爾經濟學獎。
放到老虎機裡，這代表同樣一個 50 倍贏分，不一定永遠帶來同樣感受。如果玩家前面連續空轉，50 倍可能只是「回一點」；如果玩家剛進 Free Game，50 倍可能會被感覺成「這局有機會」；如果玩家期待的是 300 倍以上，50 倍甚至可能變成失望，這研究提供了一個解釋框架，讓我們知道玩家感受不是只看絕對結果，而是看結果相對於期待與參考點的位置。
第二條研究脈絡，是 Losses Disguised as Wins，簡稱 LDW，也就是玩家拿回的錢比下注少，數學上其實是淨損失，但遊戲卻用類似贏分的聲音、動畫、節奏去慶祝它。
Dixon、Harrigan 等人的研究，以及後續多篇 LDW 研究都指出，多線老虎機裡的 LDW 會讓玩家更容易把淨損失感覺成贏分，甚至高估自己真正贏的次數，這一點對設計師很重要，因為從數學報表來看，LDW 只是某種回分分布。
但從玩家體驗來看，它可能會提高「我剛剛有中」的感覺，讓遊戲看起來比實際更常給回饋，如果 AI 玩家模型要檢查心理節奏，LDW 就應該是最優先被標記的事件之一，它不是單純的 win，也不是單純的 loss，而是一種容易混淆玩家感受的中間狀態。
第三條研究脈絡，是 Near Miss。
Near Miss 就是玩家看起來好像差一點就中了，例如兩個 Scatter 已經出現，第三個 Scatter 停在很接近的位置，或 Jackpot 圖案差一格沒有連上，過去很多文章會把 Near Miss 寫成「讓玩家繼續玩」的強力工具，但如果看近年的研究整理，這個說法要更小心。
Barton 等人的系統性回顧整理了 Near Miss 與 LDW 對玩家行為、心理、生理反應的研究，結論大致是：Near Miss 常常比一般輸分更容易帶來喚起、動機或挫折感，但不同研究對下注行為的結果不完全一致。
Pisklak、Yong、Spetch 後來針對 Near Miss 做回顧與實驗，也提醒一件事：Near Miss 在主觀感受或生理反應上有影響，不代表它一定能穩定增加實際持續遊玩的行為，這個差異很重要。
對設計師來說，Near Miss 比較安全的理解不是「它一定會讓玩家繼續玩」，而是：
- Near Miss 會改變玩家對結果的感受。
- Near Miss 可能提高期待，也可能提高挫折。
- Near Miss 是否轉成繼續遊玩，要看遊戲脈絡、玩家類型與其他回饋一起判斷。
這也是為什麼我覺得 AI 玩家模型有討論價值，它不應該只算 Near Miss 出現幾次，而是要看 Near Miss 出現在什麼時候、前後接了什麼結果、玩家是否已經等待太久、Feature 是否又沒有真的觸發。
Player Modeling 能補上哪一塊？
在遊戲 AI 領域，Player Modeling 本來就是一個研究方向。
Yannakakis、Spronck、Loiacono、Andre 在 2013 年的 Player Modeling 章節中，把 player modeling 描述成用計算模型去偵測、建模、預測與表達玩家特徵，這些特徵可以表現在認知、情緒與行為模式上。
這個概念放到一般遊戲裡，可以用來推估玩家風格、難度適應、玩家偏好或體驗反應，放到老虎機設計裡，我認為可以更保守地使用：不要讓 AI 宣稱「玩家會不會喜歡」，而是讓它幫忙找出心理節奏的異常區間。
例如：
- LDW 太密，導致遊戲看起來一直在贏，但實際資金曲線持續下降。
- Near Miss 在長時間沒進 Feature 後反覆出現，可能把期待變成挫折。
- Free Game 等待時間太長，短 session 玩家大多看不到遊戲真正賣點。
- Feature 觸發後低分比例太高，可能破壞玩家對 Bonus 的期待。
- 聲光強度與實際贏分落差太大，可能讓回饋變成誤導。
這些不是 AI 可以直接下結論的地方，但 AI 可以把這些事件從大量模擬資料裡抓出來，提醒設計師回頭檢查。
研究也提醒我們：AI 應該拿來控風險，不是操控玩家
近年也有研究把 machine learning 用在 responsible gambling。
例如 Auer 與 Griffiths 研究線裡，有文章使用實際線上玩家資料與 PGSI 自評結果，分析哪些行為追蹤指標能預測問題賭博風險。這類研究常看到的變數包括 session 長度、存款頻率、下注量、每日投注金額、參與的遊戲類型等。
這對本文有兩個啟發。
- 玩家行為資料確實可以被模型化，而且不只是看輸贏金額，遊玩時間、存款節奏、遊戲類型也可能帶有訊號。
- 如果 AI 可以看見風險訊號，那它應該被拿來降低傷害，而不是反過來優化玩家停留時間。
所以我不會把 AI 玩家模型定義成「找出最會讓玩家停不下來的設計」，比較負責任的用途應該是：
- 找出 LDW 與聲光回饋是否過度包裝淨損失。
- 找出 Near Miss 是否在某些區間造成過高挫折。
- 找出某些玩家類型是否在短時間內進入高風險行為模式。
- 找出 Feature 期待與實際結果是否落差太大。
這些檢查不只對玩家保護有意義，對遊戲品質也有意義，因為好的老虎機設計不應該只是把玩家留住，而是要讓期待、回饋、波動和風險都在一個可被說明的範圍裡。
研究邊界：哪些話不能說太滿？
這篇文章最重要的邊界有3個。
- 不能說 AI 玩家模型可以準確預測玩家心理，它最多是根據玩家假設、行為資料與遊戲事件做模擬，真正玩家反應仍然需要實測、營運資料與合規審查。
- 不能說 Near Miss 一定讓玩家繼續下注，研究比較穩的部分，是 Near Miss 會影響主觀感受、生理喚起、挫折或動機；至於它是否穩定增加實際遊玩持續時間，文獻並沒有那麼簡單。
- 不能把 responsible gambling 的 machine learning 研究拿來反向包裝成操控工具，如果模型能辨識風險，它就應該被拿來提示風險、降低傷害，而不是找出最容易被放大的弱點。
這些邊界寫清楚後，AI 與心理的結合才比較站得住腳。
結語：把「感覺」變成可以檢查的設計假設
老虎機設計本來就不是只有 RTP、Hit Rate、Volatility。這些指標可以描述遊戲長期怎麼付錢，但玩家是在一段一段 session 裡感受遊戲，而不是在無限長期裡感受遊戲。從研究來看，損失感受、Near Miss、LDW、聲光回饋、近期結果都可能改變玩家對同一款遊戲的判斷。
AI 玩家模型真正有價值的地方，不是替設計師宣布答案，而是把這些心理節奏變成可以被模擬、被標記、被討論的設計假設。如果它被用來檢查體驗落差與風險，那是一個有用的工具。如果它被用來找出玩家最脆弱的位置，那就不是設計能力的進步，而是方向錯了。
參考研究
- Kahneman, D. & Tversky, A. (1979). Prospect Theory: An Analysis of Decision under Risk.
- NobelPrize.org. The Sveriges Riksbank Prize in Economic Sciences in Memory of Alfred Nobel 2002.
- Barton, K. R. et al. (2017). The Effect of Losses Disguised as Wins and Near Misses in Electronic Gaming Machines: A Systematic Review.
- Pisklak, J. M., Yong, J. J. H. & Spetch, M. L. (2020). The Near-Miss Effect in Slot Machines: A Review and Experimental Analysis Over Half a Century Later.
- Yannakakis, G. N. et al. (2013). Player Modeling.
- Auer, M. & Griffiths, M. D. (2026). Using Machine-Learning Algorithms to Predict Self-Reported Problem Gambling Among a Sample of Online Gamblers.